Arquitectura y datos: claves de las alucinaciones en LLMs
Descubre cómo la arquitectura (self-attention, MLE, decodificación) y los datos generan alucinaciones en LLMs. Analizamos causas estructurales y cómo mitigarlas.
#máxima
CoVar: selección de pseudoetiquetas guiada por confianza y varianza
Descubre CoVar, un método que combina confianza y varianza para seleccionar pseudoetiquetas fiables en aprendizaje semisupervisado, mejorando precisión en segmentación y clasificación.
El límite NLP hiperescalado para muestreo remoto de máxima entropía
Descubre cómo el nuevo límite NLP hiperescalado (hNLP) revoluciona la selección de variables para muestreo remoto con máxima entropía, superando métodos previos.
MMD Guidance: Adaptación de distribución sin reentrenamiento
Descubre MMD Guidance, método sin entrenamiento que alinea modelos de difusión con datos de referencia y discrepancia máxima media. Ideal para pocos ejemplos.
Predicción cuántica de máxima verosimilitud con embeddings de Hilbert
Descubre la predicción cuántica de máxima verosimilitud usando embeddings de Hilbert. Un avance para LLM cuánticos.
Identificabilidad y estimación en mezclas no etiquetadas bajo independencia marginal
Descubre cómo identificar componentes latentes en mezclas no etiquetadas usando independencia marginal. Nuevo estimador PM-MMD mejora recuperación sin necesidad de etiquetas.
Estimación bidireccional de efectos causales con kernel online
Nuevo método de kernel online para estimar efectos causales bidireccionales con alta precisión y escalabilidad. Ideal para datos masivos en ciencia, negocios y políticas.
Supresión No Máxima Aprendida para Detección 3D
Descubre cómo el filtrado aprendido con atención transformador y GossipNet reemplaza el NMS tradicional para mejorar la detección 3D LiDAR, aumentando mAP y NDS.
Ultralytics YOLO26: Visión unificada en tiempo real de extremo a extremo
Descubre YOLO26 de Ultralytics: visión unificada sin NMS, entrenamiento optimizado y precisión en tiempo real. Ideal para detección, segmentación y más.
Identificando distribuciones de conectividad neural con flujos
Descubre un método innovador que usa flujos normalizantes para inferir distribuciones de conectividad neuronal, evitando soluciones espurias.
Inferencia de heterogeneidad en partículas con Langevin de segundo orden
Aprende cómo un enfoque de máxima verosimilitud permite inferir heterogeneidad poblacional y modelos dinámicos desde trayectorias estocásticas de partículas.
Arrepentimiento minimax-óptimo en juegos de Markov parcialmente observables
Algoritmo optimista logra arrepentimiento minimax-óptimo en POMG. Complejidad O(√T) con dependencia de la dimensión de Eluder.
Monte Carlo secuencial reforzado para muestreo amortizado
Descubre cómo el Monte Carlo secuencial reforzado mejora el muestreo amortizado de distribuciones complejas. Entrenamiento off-policy y temperado adaptativo para mayor precisión.